Hvad minksagen kan lære dig om at lede AI

Minksekretariatet er en midlertidig myndighed, der er etableret i 2021, og som forventes at afslutte sit arbejde i 2027. Den tidsmæssige ramme skærper behovet for hurtig oplæring, ensartet praksis og høj kvalitet i sagsforberedelsen for at mindske tilbageløb. Samtidigt er regelsættet på området komplekst, og det udvikler sig løbende i takt med nye afgørelser. I en sådan kontekst bliver de erfarne koordinatorer hurtigt en knap ressource. De kan ikke fungere som menneskelige opslagsværker for alle andre, uden at det går ud over de fagligt svære sager.

Udgangspunktet for Minkipedia var derfor – som navnet antyder – et opslagsværk over regler, instrukser og praksis, som kunne aflaste koordinatorerne. Men ret hurtigt blev det tydeligt, at løsningen kunne mere. I dag bruges den også til e‑læring for nye medarbejdere, som kan tilegne sig viden og teste den i quizform. Effekten er, at nye medarbejdere bliver hurtigere onboardet. Derudover findes en dedikeret assistent, der kan hjælpe med at analysere betydningen af nye afgørelser for det samlede regelsæt. Kompetenceudvikling bliver dermed en integreret del af det daglige arbejde – uden at de erfarne koordinatorer belastes unødigt.

Effekten af Minkipedia har ikke alene været en tidsbesparelse. Den har også været en kvalitetsforbedring: Løsningen kan udfolde perspektiver, som den enkelte medarbejder ikke nødvendigvis ser i første omgang, og den gør det nemmere at fastholde et højt fagligt niveau, når nye medarbejdere løbende kommer til. Men vejen dertil har ikke været uden bump. Og netop dér ligger de ledelsesmæssige læringer.

1. AI‑implementering er ledelse under usikkerhed – ikke et ‘go live’

En uge før løsningen skulle tages i brug, virkede den ikke efter hensigten. Der var for mange fejl til, at det gav mening at sætte den i drift. Så blev sprogmodellen opdateret af leverandøren, og pludselig virkede den langt bedre. Det er et konkret eksempel på den usikkerhed, som ledere må kunne håndtere, når generativ AI bringes tæt på kerneopgaven: Forudsætningerne kan ændre sig hurtigt, og en uforudset teknologisk opgradering kan være præcis det, som skal til, for at den oprindelige plan lykkes. Ledelse af AI kræver derfor evnen til at handle uden fuld klarhed – og til at justere undervejs.

Det indebærer også et skifte i implementeringslogik. I traditionelle it‑projekter markerer ‘go live’ typisk, at funktionaliteten er færdigudviklet. I en AI‑løsning er implementering derimod en fortløbende læringsproces: Dels om, hvordan kendte use cases bruges bedst, dels om hvilke nye anvendelser der opstår, når medarbejderne begynder at eksperimentere. Ledelsen skal ikke blot acceptere den kontinuerlige implementering – den skal lede den, bl.a. ved at være nysgerrig på nye muligheder og at udbrede det, der virker, til alle medarbejdere.

2. Fra inspirerende til insisterende brug – når værdien er dokumenteret

Mange AI‑initiativer går i stå, fordi de forbliver inspirerende: Nogle få leger med teknologien, mens resten af organisationen ser det an. I Minksekretariatet blev et afgørende greb derfor at flytte AI fra ‘frivillig leg’ til et fælles arbejdsredskab dér, hvor værdien var dokumenteret. Det kan lyde banalt, men det er et tydeligt ledelsesvalg: Hvis en løsning skal frigive tid hos knappe ressourcer (fx koordinatorer), må ledelsen også indrette arbejdet, så medarbejdere faktisk bruger løsningen – og så koordinatorerne kan henvise til den: ”Har du spurgt Minkipedia om det her?”

Insisterende brug handler ikke om tvang, men om prioritering: At gøre det lettere at gøre det rigtige end at gøre det gamle. Det kræver, at ledelsen tør stå på mål for, at nogle arbejdsgange skal ændres – også selv om teknologien ikke er perfekt.

3. Eksempelkraft slår direktiver – men er stadig ledelse

I udviklingen af Minkipedia kom idéen især fra en projektgruppe bestående af et miks af AI-entusiaster og -skeptikere. Formålet med gruppen var at skabe en balance mellem innovation og kritisk tilgang. Den sammensætning sikrede, at feed-backen i udviklingsfasen fik en højere grad af validitet, idet inputtet kom fra hele spændet i organisationen – ikke kun fra dem, der på forhånd troede på teknologien.

Den læring blev taget med over i implementeringsfasen. Her viste det sig, at vedvarende kommunikation af gode eksempler var et stærkt ledelsesgreb. Når skeptikere kan se, at konkrete opgaver løses bedre, hurtigere eller mere sikkert, flytter de sig gradvist.

Det er værd at understrege, at ledelse gennem eksempler ikke er fravær af ledelse – tværtimod. At lede gennem eksemplets magt er en måde, ledelsen kan favne, at medarbejderne er forskellige: Frontløbere får lov til at løbe foran, mens ledelsen samtidig sikrer, at erfaringerne samles op og gøres til fælles praksis. Den ”bløde” styring har en hård kerne: Den ændrer, hvad der tæller som god praksis.

4. ’30 % forståelse’ – ledelse uden sort bælte i AI

En gennemgående erfaring er, at man ikke behøver være teknisk ekspert for at lede ansvarligt. Omkring 30 % forståelse – nok til at forstå sproget, stille de rigtige spørgsmål, sætte rammer og forstå de afgørende detaljer, fx om datasikkerhed, it-sikkerhed og hallucinationer – er tilstrækkeligt. Pointen er ikke at romantisere ledelsesmæssig uvidenhed, men at afmystificere ledelsesopgaven: Ledere skal kunne prioritere, rammesætte og insistere, også når teknologien udvikler sig, og også når de ikke har sort bælte i AI og stikker lige så it-fagligt dybt som nyuddannede dataloger.

Denne pointe er vigtig, fordi den forebygger to klassiske fejl: Enten at ledere trækker sig og overlader AI til AI-nørderne, eller at de venter på fuld sikkerhed og dermed aldrig kommer i gang.

5. Human‑in‑the‑loop er et ansvarsdesign – ikke blot et kvalitetstjek

Et centralt greb for at berolige skeptikere var at præcisere, at mennesket i loopet skal være garant for faglighed, saglighed og kvalitet – det vi kender fra Kodex VII. Kodex VII er en velegnet ramme for AI, fordi det ikke starter med teknologien. Det starter med embedsmandsrollen. Det er klart kommunikeret, at medarbejderne selv står til ansvar for korrekthed, og at ansvaret ikke kan fralægges med henvisning til AI. På den måde undgår sekretariatet, at ansvarskæden bliver brudt. Det har en klar styrke: Det placerer AI i en eksisterende professionel norm, ikke kun i et teknisk regelsæt. Tekniske retningslinjer for datasikkerhed, it-sikkerhed og anvendelse er naturligvis nødvendige, men de er ikke tilstrækkelige. Det afgørende spørgsmål er også: Hvad kræver det af embedsmandsrollen, når AI bliver en del af opgaveløsningen?

Her ligger en mere generel ledelseslæring: Human‑in‑the‑loop er et moralsk og professionelt ansvarssystem. Det er en måde at fastholde embedsmandsrollen i en ny teknologisk virkelighed. Når AI foreslår noget forkert, er det organisationens ansvar at have processer og kultur, der gør kvalitetssikring og kritisk tænkning uomgængelig.

Pointen er, at AI gerne må forbedre embedsmandens arbejdskapacitet, men AI må ikke erstatte embedsmandens dømmekraft.

6. AI gør faglighed vigtigere – ikke mindre

En udbredt bekymring er, at AI kan gøre medarbejdere dummere, fordi de lader AI gøre arbejdet og er for villige til at tage AI-genererede forslag for gode varer. Erfaringen her peger på det modsatte – forudsat at ansvaret er tydeligt placeret: Når AI tager sig af søgning, struktur og overblik, frigøres tid til det, som medarbejderne faktisk er ansat til: vurdering, fortolkning, konsekvenstænkning og faglig dømmekraft. AI kan analysere og strukturere, men den forstår ikke institutionel historik, kontekst og konsekvenser. Derfor er faglighed altafgørende.

Det er ikke tilstrækkeligt at købe en AI‑løsning. Man må også investere i, at fagligheden aktiveres: At medarbejdere kan vurdere output, korrigere det og oversætte det til handling. Det handler om at bruge AI klogt.

7. Brug AI til at udfolde perspektiver – ikke til at vælge for dig

En praktisk tommelfingerregel for at bruge AI klogt er at bruge AI til at se flere muligheder, flere risici og flere perspektiver. Inden for design thinking kalder man ofte det for den divergerende fase. På den måde kommer AI-løsningen til at fungere som refleksionsmotor. Til gengæld bør organisationer være varsomme med at bruge AI som beslutningstager. Det man i design thinking kalder den konvergerende fase.

Det betyder ikke, at AI er irrelevant for organisationens beslutninger – men at ledelsen bør insistere på, at AI understøtter beslutningsgrundlaget, mens mennesker står på mål for valget.

Et ledelseskompas

Hvis offentlige organisationer vil bringe generativ AI tættere på kerneopgaven, er det afgørende, at AI ikke bliver reduceret til et it-projekt. Det afgørende er, hvordan teknologien ledes – og især hvordan menneskerne omkring teknologien ledes. Ledelsen ejer ikke hver enkelt AI-outcome, men ledelsen ejer rammen for innovativ, kløgtig og forsvarlig AI-anvendelse. Minkipedia‑casen peger på et sæt enkle, men krævende ledelsesprincipper, som andre offentlige organisationer kan tage med:

• Led i bevægelse: Accepter usikkerhed og justér løbende, frem for at vente på perfekte forudsætninger.
• Insistér dér, hvor værdien er dokumenteret: Gør AI til et fælles redskab i relevante arbejdsgange.
• Brug eksemplets magt systematisk: Lad frontløbere vise vejen, men saml erfaringerne op og gør dem til fælles praksis.
• Hold fast i ansvar: Human‑in‑the‑loop som ansvarsdesign; faglighed og saglighed kan ikke outsources.
• Brug AI til at se flere muligheder – ikke til at beslutte for dig: Divergens før konvergens.